一種基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維系統(tǒng)及其降維方法
【專(zhuān)利摘要】一種基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維系統(tǒng)及其降維方法，包括數(shù)據(jù)采集系統(tǒng)，所述的數(shù)據(jù)采集系統(tǒng)同控制系統(tǒng)相連接，所述的控制系統(tǒng)中帶有基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊。并結(jié)合其降維方法可有效避免現(xiàn)有技術(shù)中的運(yùn)算量還是很大、鄰域確定的不確定性以及無(wú)實(shí)用性的缺陷。
【專(zhuān)利說(shuō)明】一種基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維系統(tǒng)及其降維方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于數(shù)據(jù)降維【技術(shù)領(lǐng)域】，具體涉及一種基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維系統(tǒng)及 其降維方法。

【背景技術(shù)】
[0002] 目前的圖像、視頻還有一些復(fù)雜的通信信號(hào)在數(shù)據(jù)采集系統(tǒng)傳輸?shù)娇刂葡到y(tǒng)中， 通常是以高維的數(shù)據(jù)形式進(jìn)行存儲(chǔ)的，這樣就帶來(lái)了在使用過(guò)程中占用控制系統(tǒng)的資源過(guò) 多并且運(yùn)算量大非常耗時(shí)的問(wèn)題，嚴(yán)重的甚至可以導(dǎo)致控制系統(tǒng)崩潰的問(wèn)題。
[0003] 因此現(xiàn)有的控制系統(tǒng)普遍采用了把從數(shù)據(jù)采集系統(tǒng)得來(lái)的諸如圖像、視頻還有一 些復(fù)雜的通信信號(hào)所構(gòu)成的高維數(shù)據(jù)在使用之前進(jìn)行降維處理，但是現(xiàn)有的降維方式普遍 存在以下問(wèn)題：
[0004] (1)運(yùn)算量還是很大：比如在現(xiàn)有的降維算法下的基于k近鄰圖的測(cè)地線距離步 驟的時(shí)間復(fù)雜度為0(kN2logN)，而保距映射步驟的時(shí)間復(fù)雜度為0(N3)，這樣的運(yùn)算下時(shí)間 復(fù)雜度是非常大的；
[0005] (2)鄰域確定的不確定性：現(xiàn)有的降維算法使用k近鄰圖進(jìn)行測(cè)地線距離的計(jì)算， 但是早在2002年science雜志中就有文章發(fā)表質(zhì)疑，k過(guò)大導(dǎo)致短路誤差，k過(guò)小導(dǎo)致碎片 的問(wèn)題，并且解決的方法只能是選擇合適的k來(lái)進(jìn)行不確定的降維，這樣同樣會(huì)導(dǎo)致運(yùn)算 量的復(fù)雜度的增加，往往會(huì)出現(xiàn)降維結(jié)果同原高維數(shù)據(jù)的誤差相比誤差過(guò)大，甚至于完全 失真；
[0006] (3)無(wú)實(shí)用性：新來(lái)高維數(shù)據(jù)點(diǎn)會(huì)改變整個(gè)k近鄰圖，需要全部重新計(jì)算，難以在 線處理從而無(wú)實(shí)用性。


【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的提供一種基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維系統(tǒng)及其降維方法，包括數(shù)據(jù) 采集系統(tǒng)，所述的數(shù)據(jù)采集系統(tǒng)同控制系統(tǒng)相連接，所述的控制系統(tǒng)中帶有基于神經(jīng)元網(wǎng) 絡(luò)的數(shù)據(jù)降維模塊。并結(jié)合其降維方法可有效避免現(xiàn)有技術(shù)中的運(yùn)算量還是很大、鄰域確 定的不確定性以及無(wú)實(shí)用性的缺陷。
[0008] 為了克服現(xiàn)有技術(shù)中的不足，本發(fā)明提供了一種基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維系統(tǒng) 及其降維方法方法的解決方案，具體如下：
[0009] -種基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維系統(tǒng)，包括數(shù)據(jù)采集系統(tǒng)1，所述的數(shù)據(jù)采集系統(tǒng) 1同控制系統(tǒng)2相連接，所述的控制系統(tǒng)2中帶有基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊3。
[0010] 所述的一種基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維系統(tǒng)的測(cè)量降維方法，步驟如下：
[0011] 步驟1 :首先數(shù)據(jù)采集系統(tǒng)把采集來(lái)的圖像或者視頻這樣的信號(hào)數(shù)據(jù)發(fā)送到控制 系統(tǒng)2中，然后控制系統(tǒng)2啟動(dòng)基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊3先把發(fā)送來(lái)的圖像或者 視頻這樣的信號(hào)數(shù)據(jù)構(gòu)造成高維數(shù)據(jù)集進(jìn)行存儲(chǔ)；
[0012] 步驟2:接著基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊3對(duì)高維數(shù)據(jù)進(jìn)行確定流形拓?fù)浣Y(jié) 構(gòu)基準(zhǔn)點(diǎn)的處理，所述的對(duì)高維數(shù)據(jù)進(jìn)行確定流形拓?fù)浣Y(jié)構(gòu)基準(zhǔn)點(diǎn)的處理，具體說(shuō)來(lái)所述 的對(duì)高維數(shù)據(jù)進(jìn)行確定流形拓?fù)浣Y(jié)構(gòu)基準(zhǔn)點(diǎn)的處理的具體過(guò)程為先進(jìn)行初始化，所述的 初始化包括首先設(shè)定基準(zhǔn)點(diǎn)集合A= ，其中A為基準(zhǔn)點(diǎn)集合，1^為第一基準(zhǔn)點(diǎn)，L2S 第二基準(zhǔn)點(diǎn)，第一基準(zhǔn)點(diǎn)和第二基準(zhǔn)點(diǎn)是隨機(jī)的從高維數(shù)據(jù)集中選取的兩個(gè)高維數(shù)據(jù)；然 后基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊3設(shè)定邊集合C、初值均為0的兩個(gè)激活數(shù)變量、初值為 |LfL2| |的兩個(gè)范圍閾值變量和初值為0的第一連接年齡變量，所述的Cgjxi 并且其初值為空集，AXA表示基準(zhǔn)點(diǎn)集合的基準(zhǔn)點(diǎn)之間的連接關(guān)系，初值為空集表示第一 基準(zhǔn)點(diǎn)和第二基準(zhǔn)點(diǎn)之間沒(méi)有初始連接，所述的兩個(gè)激活數(shù)變量分別為針對(duì)第一基準(zhǔn)點(diǎn)的 激活數(shù)變量和針對(duì)第二基準(zhǔn)點(diǎn)的激活數(shù)變量，針對(duì)第一基準(zhǔn)點(diǎn)的激活數(shù)變量和針對(duì)第二 基準(zhǔn)點(diǎn)的激活數(shù)變量分別為，所述兩個(gè)范圍閾值變量分別為第一范圍閾值變量 7^和第二范圍閾值變量&，所述的第一連接年齡變量^表示的是第一基準(zhǔn)點(diǎn)和 第二基準(zhǔn)點(diǎn)的連接時(shí)長(zhǎng)；
[0013]步驟3 :接著進(jìn)入輸入與競(jìng)爭(zhēng)階段，所述的輸入與競(jìng)爭(zhēng)階段包括數(shù)據(jù)采集系統(tǒng)繼 續(xù)一個(gè)采集圖像或者視頻這樣的信號(hào)數(shù)據(jù)，并把采集來(lái)的一個(gè)圖像或者視頻這樣的信號(hào)數(shù) 據(jù)發(fā)送到控制系統(tǒng)中，控制系統(tǒng)中的基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊3先把接收到的一個(gè) 圖像或者視頻這樣的信號(hào)數(shù)據(jù)存儲(chǔ)為一個(gè)高維數(shù)據(jù)，所述的高維數(shù)據(jù)作為一個(gè)新的數(shù)據(jù)樣 板€GRD，其中所述的新的數(shù)據(jù)樣板為L(zhǎng)所述的RD表示高維實(shí)數(shù)空間，所述的R表示實(shí) 數(shù)，D表示高維數(shù)據(jù)的維度，然后計(jì)算出A中的每個(gè)基準(zhǔn)點(diǎn)和新的數(shù)據(jù)樣板I的歐氏距離， 所得到的最小的歐式距離所對(duì)應(yīng)的基準(zhǔn)點(diǎn)和倒數(shù)第二小的歐式距離所對(duì)應(yīng)的基準(zhǔn)點(diǎn)分別 為勝者基準(zhǔn)點(diǎn)Sl和亞軍基準(zhǔn)點(diǎn)s2，也就是如公式（1)和公式（2)所表示的勝者基準(zhǔn)點(diǎn)Sl和 亞軍基準(zhǔn)點(diǎn)s2 :

【權(quán)利要求】
1. 一種基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維系統(tǒng)，包括數(shù)據(jù)采集系統(tǒng)，所述的數(shù)據(jù)采集系統(tǒng)同 控制系統(tǒng)相連接，所述的控制系統(tǒng)中帶有基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊。
2. 根據(jù)權(quán)利要求1所述的一種基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維系統(tǒng)的測(cè)量降維方法，其特 征在于，步驟如下： 步驟1 :首先數(shù)據(jù)采集系統(tǒng)把采集來(lái)的圖像或者視頻這樣的信號(hào)數(shù)據(jù)發(fā)送到控制系統(tǒng) 中，然后控制系統(tǒng)啟動(dòng)基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊先把發(fā)送來(lái)的圖像或者視頻這樣的 信號(hào)數(shù)據(jù)構(gòu)造成高維數(shù)據(jù)集進(jìn)行存儲(chǔ)； 步驟2:接著基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊對(duì)高維數(shù)據(jù)進(jìn)行確定流形拓?fù)浣Y(jié)構(gòu)基準(zhǔn) 點(diǎn)的處理，所述的對(duì)高維數(shù)據(jù)進(jìn)行確定流形拓?fù)浣Y(jié)構(gòu)基準(zhǔn)點(diǎn)的處理，具體說(shuō)來(lái)所述的對(duì)高 維數(shù)據(jù)進(jìn)行確定流形拓?fù)浣Y(jié)構(gòu)基準(zhǔn)點(diǎn)的處理的具體過(guò)程為先進(jìn)行初始化，所述的初始化包 括首先設(shè)定基準(zhǔn)點(diǎn)集合A = {Lp L2}，其中A為基準(zhǔn)點(diǎn)集合，U為第一基準(zhǔn)點(diǎn)，L2為第二基 準(zhǔn)點(diǎn)，第一基準(zhǔn)點(diǎn)和第二基準(zhǔn)點(diǎn)是隨機(jī)的從高維數(shù)據(jù)集中選取的兩個(gè)高維數(shù)據(jù)；然后基于 神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊設(shè)定邊集合C、初值均為0的兩個(gè)激活數(shù)變量、初值為| IU-L」 的兩個(gè)范圍閾值變量和初值為0的第一連接年齡變量，所述的CgixJ并且其初 值為空集，AXA表示基準(zhǔn)點(diǎn)集合的基準(zhǔn)點(diǎn)之間的連接關(guān)系，初值為空集表示第一基準(zhǔn)點(diǎn)和 第二基準(zhǔn)點(diǎn)之間沒(méi)有初始連接，所述的兩個(gè)激活數(shù)變量分別為針對(duì)第一基準(zhǔn)點(diǎn)的激活數(shù)變 量和針對(duì)第二基準(zhǔn)點(diǎn)的激活數(shù)變量，針對(duì)第一基準(zhǔn)點(diǎn)的激活數(shù)變量和針對(duì)第二基準(zhǔn)點(diǎn)的 激活數(shù)變量分別為，所述兩個(gè)范圍閾值變量分別為第一范圍閾值變量2^和第 二范圍閾值變量&，所述的第一連接年齡變量表示的是第一基準(zhǔn)點(diǎn)和第二基準(zhǔn)點(diǎn) 的連接時(shí)長(zhǎng)； 步驟3 :接著進(jìn)入輸入與競(jìng)爭(zhēng)階段，所述的輸入與競(jìng)爭(zhēng)階段包括數(shù)據(jù)采集系統(tǒng)繼續(xù)一 個(gè)采集圖像或者視頻這樣的信號(hào)數(shù)據(jù)，并把采集來(lái)的一個(gè)圖像或者視頻這樣的信號(hào)數(shù)據(jù)發(fā) 送到控制系統(tǒng)中，控制系統(tǒng)中的基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊3先把接收到的一個(gè)圖像 或者視頻這樣的信號(hào)數(shù)據(jù)存儲(chǔ)為一個(gè)高維數(shù)據(jù)，所述的高維數(shù)據(jù)作為一個(gè)新的數(shù)據(jù)樣板 € GRd，其中所述的新的數(shù)據(jù)樣板為L(zhǎng)所述的RD表示高維實(shí)數(shù)空間，所述的R表示實(shí)數(shù)， D表示高維數(shù)據(jù)的維度，然后計(jì)算出A中的每個(gè)基準(zhǔn)點(diǎn)和新的數(shù)據(jù)樣板I的歐氏距離，所得 到的最小的歐式距離所對(duì)應(yīng)的基準(zhǔn)點(diǎn)和倒數(shù)第二小的歐式距離所對(duì)應(yīng)的基準(zhǔn)點(diǎn)分別為勝 者基準(zhǔn)點(diǎn)Sl和亞軍基準(zhǔn)點(diǎn)s2，也就是如公式（1)和公式（2)所表示的勝者基準(zhǔn)點(diǎn)Sl和亞軍 基準(zhǔn)點(diǎn)s2 :
勝者基準(zhǔn)點(diǎn)Sl和亞軍基準(zhǔn)點(diǎn)s2就成為了最相似的兩個(gè)基準(zhǔn)點(diǎn)；隨后進(jìn)入基準(zhǔn)點(diǎn)更新 階段，所述的基準(zhǔn)點(diǎn)更新階段包括基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊3判斷如果 或者||< -&||>Z；2成立，就為新的數(shù)據(jù)樣板〖放到基準(zhǔn)點(diǎn)集合A中來(lái)生成一個(gè)新的值為€ 基準(zhǔn)點(diǎn)，也就是A = A U { € }，然后返回步驟3中執(zhí)行； 步驟4 :如果Sl與s2間不存在連接，執(zhí)行C = C U {(Sl，s2)}的操作，即為兩個(gè)最相 似基準(zhǔn)點(diǎn)之間建立連接，再設(shè)定初值為0的第二年齡變量％^+,2丨，所述的第二年齡變量 ?盡氣、表示的是勝者基準(zhǔn)點(diǎn)Si和亞軍基準(zhǔn)點(diǎn)s2的連接時(shí)長(zhǎng)；接著判斷如果（Sl，LJ e C， 貝U執(zhí)行響(il#=呢e(m+1的操作，喂 + 1的操作表示與Si相連的所有的基準(zhǔn) 點(diǎn)的連接時(shí)長(zhǎng)加1，所述的咕> 為第三年齡變量，第三年齡變量表示的是勝者基準(zhǔn)點(diǎn)Sl同 與之連接的所有基準(zhǔn)點(diǎn)Q的連接時(shí)長(zhǎng)，i為自然數(shù)變量，設(shè)定針對(duì)勝者基準(zhǔn)點(diǎn)Sl的激活數(shù) 變量M5i，并對(duì)針對(duì)勝者基準(zhǔn)點(diǎn)Sl的激活數(shù)變量Msi執(zhí)行MSi =￥^+1的操作，MS1的值是從 〇開(kāi)始遞增，再執(zhí)行Si = Si+ e (t) I I l-Si I I和s2 = s2+ e ' （t) I I € -S21 I的操作，也就是 執(zhí)行Si與s2向新的數(shù)據(jù)樣板移動(dòng)的操作，其中
t為基于神經(jīng)元網(wǎng)絡(luò) 的數(shù)據(jù)降維系統(tǒng)的運(yùn)行時(shí)間； 步驟5 :基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊檢查所有的基準(zhǔn)點(diǎn)之間的連接（LpLj) e C和 每一組基準(zhǔn)點(diǎn)之間的連接Lp所對(duì)應(yīng)的當(dāng)前的年齡參數(shù),如果就 從C移除該連接，其中age_是預(yù)先定義的連接時(shí)長(zhǎng)最大值，其中所述的所有的基準(zhǔn)點(diǎn)之 間的連接為L(zhǎng)p e C，其中i和j為不相等的自然數(shù)，所述為化名)之間的連 接時(shí)長(zhǎng)； 步驟6 :基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊接著執(zhí)行基準(zhǔn)點(diǎn)的范圍閾值的更新階段，所 述的基準(zhǔn)點(diǎn)的范圍閾值的更新階段包括將Sl和s2的范圍閾值7；和？：.2通過(guò)公式（3)和公式 (4)分別更新為與Sl和s2相鄰基準(zhǔn)點(diǎn)的最大距離
所述的7；和分別為針對(duì)勝者基準(zhǔn)點(diǎn)Sl的范圍閾值和亞軍基準(zhǔn)點(diǎn)s2的范圍閾值，然 后進(jìn)入去噪階段，所述的去噪階段包括通過(guò)基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊判斷如果當(dāng)前 輸入的數(shù)據(jù)樣本總數(shù)是設(shè)定的界定值A(chǔ)的整數(shù)倍，檢查所有的基準(zhǔn)點(diǎn)集合A中的基準(zhǔn)點(diǎn)， 如果存在某一個(gè)基準(zhǔn)點(diǎn)Q只有一個(gè)相連接的基準(zhǔn)點(diǎn)，并且小于設(shè)定的激活數(shù)最小值 Mmin，就在基準(zhǔn)點(diǎn)集合A中刪去該基準(zhǔn)點(diǎn)Q，所述的為針對(duì)某一個(gè)基準(zhǔn)點(diǎn)Q的激活數(shù)變 量，返回步驟中執(zhí)行； 步驟7 :接著基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊進(jìn)入計(jì)算基準(zhǔn)點(diǎn)相似度階段； 步驟8 :將自然數(shù)變量i值加1，將提取一個(gè)基準(zhǔn)點(diǎn)Q (i = 1，…，n)，其中n為在基準(zhǔn) 點(diǎn)集合A中的基準(zhǔn)點(diǎn)數(shù)目，針對(duì)該基準(zhǔn)點(diǎn)Q進(jìn)入計(jì)算基準(zhǔn)點(diǎn)相似度階段的初始化階段，首 先執(zhí)行S= {L^UzA-lLi}的操作，S為第一中間量集合，U為第二中間量集合，然后把 n*n的相似度矩陣DG(n*n)中的DG(i，i)元素的值設(shè)置為0,所述的DG(i，i)元素表示該基 準(zhǔn)點(diǎn)Q和自身的相似度值，對(duì)于U中的每一個(gè)基準(zhǔn)點(diǎn)h (h G U)，如果Q與h相連接，即 (LpLj) G C，貝ljDG(i，j)元素值設(shè)置為| iLi-Ljl | ;否貝ljDG(i，j)元素值設(shè)置為所述的 De(i，j)元素標(biāo)示所述的該基準(zhǔn)點(diǎn)Q和U中的元素的Lj之間的相似度值 步驟9 :進(jìn)入中間點(diǎn)選取階段，所述的中間點(diǎn)選取階段包括從U中選取與同該基準(zhǔn)點(diǎn)Q 相似度值最小的基準(zhǔn)點(diǎn)Lmin，即Lmin = argminDe(i，j)并且Lmin G U，將Lmin加入S，即S = S U {Lfflin},U = U-{Lfflin}； 步驟10 :然后進(jìn)入邊拓展階段，所述的邊拓展階段包括對(duì)于U中每一個(gè)基準(zhǔn)點(diǎn) Lk(LkGU)，k 為自然數(shù)，如果 Lmin與 Lk相連接，即（Lmin，Lk) GC，并且DG(i，min) + ||Lmin-Lk| 〈Wakhmin為1^"的序列號(hào)，則執(zhí)行更新操作如公式（5)所示： DG(i,k) =DG(i,min) + | |Lmin-Lk| (5) 然后重復(fù)執(zhí)行步驟9和步驟10直到S = A，= 0為止； 步驟11 :返回步驟8執(zhí)行，等到i值達(dá)到n時(shí)，表示基準(zhǔn)點(diǎn)集合A中的基準(zhǔn)點(diǎn)全部執(zhí)行 完畢后，得到n*n的相似度矩陣De(n*n); 步驟12 :接著基于神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)降維模塊進(jìn)入基準(zhǔn)點(diǎn)降維映射階段，所述的基準(zhǔn) 點(diǎn)降維映射階段包括通過(guò)公式（6)計(jì)算距離平方矩陣An(i，j): A,0'v/) = Dc(Uj) ^ Dc{iJl(iJ = 1,. ? ?) r6) 然后通過(guò)公式（7)計(jì)算均值向量g : 之=(W."+4,) /n (7) 所述的I.代表An(i，j)的第i列，i取值為1到n; 步驟13 :通過(guò)公式⑶計(jì)算均值中心化矩陣Hn :
其中s (i，j)為中間參數(shù)，一般取l，Hn(i，j)表示均值中心化矩陣扎第1行第j列的 元素值； 步驟14 :通過(guò)公式（9)內(nèi)積矩陣Bn :

步驟15 :計(jì)算特征值特征向量，所述的計(jì)算特征值特征向量包括計(jì)算Bn最大的d個(gè)正 特征值^，…與其對(duì)應(yīng)的特征向量，其中d為降維的目標(biāo)維數(shù)； 步驟16 :進(jìn)入基準(zhǔn)點(diǎn)的降維映射階段，所述的降維映射階段包括通過(guò)公式（10)來(lái)得到 用于基準(zhǔn)點(diǎn)的降維映射的矩陣L : 用于基準(zhǔn)點(diǎn)的降維映射的矩陣L的n個(gè)d維的
， 列向量分別為n個(gè)基準(zhǔn)點(diǎn)在d維空間的坐標(biāo)； 步驟17 :進(jìn)入在線數(shù)據(jù)降維映射階段，所述的在線數(shù)據(jù)降維映射階段包括確定新數(shù) 據(jù)點(diǎn)所屬基準(zhǔn)點(diǎn)，通過(guò)公式（11)確定距離新的數(shù)據(jù)樣板I最近的基準(zhǔn)點(diǎn)La :
步驟18:根據(jù)公式（12)得到新的數(shù)據(jù)樣板€與所有基準(zhǔn)點(diǎn)的相似度％(1，1^): DsU.Li) = | | l-La | |+DG(a,i) (12) 步驟19 :根據(jù)公式（13)得到距離平方向量:
步驟20 :根據(jù)公式（14)得到偽逆轉(zhuǎn)置矩陣，記L#為基準(zhǔn)點(diǎn)的降維映射的矩陣L的偽逆 轉(zhuǎn)置矩陣：
步驟21 :根據(jù)公式（15)對(duì)新的數(shù)據(jù)樣板I進(jìn)行低維映射得到低維映射向量:
【文檔編號(hào)】G06F19/00GK104346520SQ201410362559
【公開(kāi)日】2015年2月11日 申請(qǐng)日期:2014年7月28日 優(yōu)先權(quán)日:2014年7月28日
【發(fā)明者】申富饒, 干強(qiáng), 趙金熙 申請(qǐng)人:南京大學(xué)